Concordance of a ChatGPT-4o–based triage model with emergency physician categorization in the emergency department: a prospective observational comparison with emergency medical technicians
この前向き観察研究では、ChatGPT-4oベースのトリアージモデルが、同一の構造化臨床データを用いた場合、救急救命士よりも救急医の分類との間で有意に高い一致度を示したものの、この一致は診断的妥当性ではなく評価者の一貫性を反映したものであり、高緊急度患者を過剰にトリアージする傾向を伴うことが明らかになった。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
忙しい救急外来を、巨大で混沌とした鉄道駅だと想像してみてください。一分ごとに新しい乗客（患者）が到着し、誰を最初の列車に乗せるか（即時治療）、誰をプラットフォームで待たせるか（中等度のケア）、そして誰が後でチケットカウンターまで歩いて行けるか（緊急度の低いケア）を誰かが決めなければなりません。このプロセスは「トリアージ」と呼ばれます。
通常、この決定を下すのは人間の専門家（救急医）です。しかし、人間は疲れたり、気を取られたり、その時の気分に影響されたりすることがあります。そのため、二人の専門家が同じ乗客に対して異なる分類を行うこともあります。
この研究は、シンプルな問いを投げかけました。「超高性能なコンピュータプログラム（ChatGPT-4o）は、人間の専門家と同じくらい上手くこれらの乗客を分類できるのか？」
以下に、研究者が何を行い、何を見出したのかを、簡単な比喩を用いて解説します。
設定：「仕分けゲーム」
研究者たちは、トルコの病院に到着した788人の乗客を全員で見ている、3人のプレイヤーによるゲームを設定しました。
- 人間の専門家（ゴールドスタンダード）： 高度な訓練を受けた一人の救急医。この医師は「審判」の役割を果たします。
- コンピュータ（新しいプレイヤー）： ChatGPT-4oモデル。このコンピュータは患者を直接見ていません。患者に関する標準化されたチェックリスト（症状、既往歴など）を読み取っただけです。
- トリアージ・テクニシャン（現実世界のプレイヤー）： 救急医療技術者（EMT）。彼らは、この特定の病院の入り口で実際に仕分けを行っている人々です。彼らは、現実の世界と同じように、目の前にいる患者を直接見ています。
ルール：
- 医師とコンピュータは、どちらもすべての患者に対して全く同じ書面によるチェックリストを見ました。
- EMTは、実際の人間を見ています。
- 全員が、患者を3つの色の箱のいずれかに分類しなければなりません：赤（緊急！）、黄（少し待つ）、緑（大丈夫、後で行ける）。
結果：ゲームの勝者は誰か？
1. コンピュータ vs 医師
コンピュータは、医師の模倣において驚くべき能力を発揮しました。
- スコア： 完璧な一致を1.0とするスケールにおいて、コンピュータと医師は**84%**の確率で一致しました（スコア0.84）。
- 比喩： それは、先生の解答例を徹底的に勉強した生徒が、テストで全く同じ答えを書いているようなものでした。彼らの患者の分類方法は、ほぼ同一でした。
2. コンピュータ vs トリアージ・テクニシャン
コンピュータは、実際にドアの前に立っていた人間の技術者よりも優れた結果を出しました。
- スコア： テクニシャンたちが医師と一致したのは**63%**の時でした。
- 格差： コンピュータは、テクニシャンたちよりも医師の選択に一致する上で、明らかに優れていました。
3. 「赤」の箱の問題（落とし穴）
ここからが複雑なところです。「赤」の箱は、生命を脅かす緊急事態のためのものです。赤の患者を見逃すことは危険です。
- テクニシャン： 彼らは非常に慎重でした。誰かを「赤」に入れた場合、その判断は概ね正しかった（精度87%）のです。しかし、彼らは多くの実際の緊急事態を見逃しており、79人の重症患者のうち45人を「黄」の箱に入れてしまいました。彼らは**過小評価（アンダー・トリアージ）**していました（慎重になりすぎていたのです）。
- コンピュータ： コンピュータは、ほとんどすべての深刻な患者を捉えました（「赤」の患者の92%を正しく特定しました）。しかし、コンピュータは非常に「被害妄想的」でもありました。実際には「黄」であるはずの人々を28人も「赤」の箱に入れてしまったのです。
- 比喩： コンピュータは、わずかな煙の臭いに対して「火事だ！」と叫ぶ警備員のようなものでした。実際に燃えている人を全員救い出しますが、同時に大量の誤報を出し、必要のない人々で非常口を塞いでしまいます。
重要な警告（細かい注意書き）
著者は、コンピュータが実生活において医師よりも「優れている」とは言っていないことに細心の注意を払っています。その理由は以下の通りです。
- 「共有された教科書」によるバイアス： コンピュータと医師は、どちらも同じ書面のメモを見ていました。一方で、テクニシャンは人間を見ていました。コンピュータと医師が同じ情報源から作業していたため、彼らは一致しやすかったのです。それは、解答例を持っている二人の採点者が、生徒の乱れた字を見て推測しなければならない人よりも、一致しやすいのと似ています。
- 「現実世界」のテストの欠如： この研究は、患者が実際に回復したか悪化したかを検証していません。単に、コンピュータが医師の「意見」に一致するかどうかを確認しただけです。コンピュータの「赤」の判定が、実際に命を救ったのか、それとも単にリソースを無駄にしただけなのかは分かりません。
- 最悪のケースの欠落： この研究では、最も重篤な患者（意識不明や心肺停止が必要な患者）を除外しています。そのため、コンピュータが絶対的な最悪の緊急事態をどのように扱うのかは不明です。
- 一人の医師： 「ゴールドスタンダード」は、たった一人の医師の意見でした。もしその医師に悪い日があったり、特定の偏り（バイアス）があったとしても、コンピュータは単にそのバイアスをコピーしたに過ぎません。
結論
この研究は、**概念実証（プルーフ・オブ・コンセプト）**です。それは、新しいタイプのエンジンがテストコースで高速走行できることを示すようなものです。
- 証明したこと： ChatGPT-4oモデルは、患者のチャートを読み取り、専門医とほぼ同じように患者をカテゴリー分けできること。そして、この特定の環境においては、前線のテクニシャンよりも一貫して高い精度で行えることです。
- 証明していないこと： コンピュータがまだ実際の病院で使用できるほど安全であることを証明したわけではありません。コンピュータは緊急事態を過剰に判定する傾向があり（誤報）、また、それが最も重篤な患者に対して機能するのか、あるいは異なる言語や病院システムにおいても機能するのかは分かっていません。
研究者たちは、この技術は有望であるが、実際の救急現場で人間を代替したり、あるいは補助したりするためには、さらなる多くのテストが必要であると結論付けています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。